基于Sentinel-2 MSI影像与面向对象相结合的红树林树种精细化分类方法研究

红树林是最典型的滨海生态系统之一，红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估具有重要意义。遥感是开展红树林种间类型识别的有效手段，但传统的遥感红树林分类方法多是基于像元开展的，分类结果“椒盐”现象严重且精度还有很大提升空间。因此，本研究以东寨港红树林保护区为例，基于Sentinel-2 MSI影像，在传统遥感分类方法的基础上引入图像分割技术，分别构建了面向对象的支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）分类法，并在此基础上对各模型的分类精度和适用性进行了分析。模型对比结果表明：（1）图像分割技术的引入能有效改善分类结果的“椒盐”现象，提升红树林种间类型的识别精度，基于像元使用SVM和RF分类算法总体分类精度分别可达78.82%(Kappa=0.75)和82.94%(Kappa=0.82)，面向对象的SVM和RF模型分类总体精度分别可达81.5%(Kappa=0.78)和92.67%(Kappa=0.88)，相较于以像元为分类对象的模型而言，后者精度分别提高了2.68%和7.43%;(2)从4个模...     

基于密集多尺度特征的遥感影像水体提取

针对传统遥感影像水体提取方法和基于深度学习的经典目标提取模型的提取结果存在丢失边缘细节信息和准确率低的问题,提出了基于深层特征编码-水体识别解码的多尺度特征密集连接网络结构。首先利用深层特征编码结构中的普通卷积提取影像中水体的特征信息,然后利用密集多尺度特征模块提取水体的多尺度特征和保留全局信息,最后利用水体识别解码结构对图像中的水体进行预测。实验结果表明：本文方法的提取结果精度优于经典全卷积神经网络模型,在测试集上的像元精度达到98.56%,交并比达到78.91%,有效保留了水体的完整性和细节边缘信息,实现了水体的精细化提取。     

引入纹理特征的多光谱遥感影像 海面油膜信息提取

针对单纯依靠光谱特征油膜提取精度低、雷达影像油膜提取易受海况条件及假目标影响的问题,提出了一种结合光 谱特征与纹理特征的多光谱遥感影像油膜信息提取方法。以2011 年6 月蓬莱19-3 油田溢油事故为研究对象,选用HJ-1 星 CCD 遥感数据,利用灰度共生矩阵获取影像纹理特征,采用SVM 模型对结合纹理特征与光谱特征的影像进行分类,提取出 研究区油膜信息,并将分类提取结果与仅依靠光谱特征的SVM 模型分类结果进行了比较。结果表明：引入纹理特征的SVM 模型分类总精度达到90.29 %,比仅依靠光谱特征的分类精度提高了12.41 %;纹理特征的参与降低了原影像噪声对分类结果 的影响,油膜边缘提取更加清晰,油膜中心呈连续面状分布,引入纹理特征的SVM 模型可有效地用于多光谱遥感影像海面 油膜信息提取。     

基于国产高分遥感的人工种植红树林种间分类方法研究——以广西茅尾海红树林为例

红树林的种间结构组成对红树林生态系统的健康和发展至关重要,而红树林种间分类问题一直以来都是基于遥感手段的红树林监测中的难点。针对该问题,以人工种植为特点的广西茅尾海红树林遥感种间分类为例,基于面向对象的分类思想,提出了一种现场样本与分割对象相结合的红树林种间分类方法。利用GF-2 PMS1高分辨率卫星遥感影像数据,开展了广西茅尾海红树林湿地典型植被精细分类和空间分布研究,并将分类结果与基于像素和传统面向对象SVM分类方法进行了对比。结果显示:总体上,面向对象分类方法更适合用于茅尾海红树林湿地典型植被分类;对于局部混生明显的区域使用基于像素SVM分类方法效果会更好;传统面向对象分类方法中将整个影像分割对象单元作为训练样本可能会在某种程度上造成负面影响。因此,使用文中提出的样本选择新方法进行面向对象分类精度最高,总体精度达到了93.13%,Kappa为0.89。     

基于高分光学与全极化SAR的海南八门湾红树林种间分类方法

合理的红树种间组成结构是有效发挥红树林湿地生态价值的前提,明确的红树林种间分布信息是开展红树林生态系统治理和规划工作的有效依据。针对海南八门湾红树林湿地,基于高分三号(GF-3)全极化合成孔径雷达(synthetic aperture radar,SAR)和高分六号(GF-6)多光谱遥感数据,本文提取了35个红树林遥感特征,利用极端梯度提升树(eXtremegradientboosting,XGBoost)算法开展了特征重要性排序、特征筛选和红树林种间分类实验,将其与传统的支持向量机(supportvectormachine,SVM)、随机森林(randomforest,RF)机器学习算法进行精度比较,并基于XGBoost算法进行了3种特征组合方式(优选特征、多光谱特征、全极化SAR特征)的分类精度比较,旨在探索XGBoost对红树林种间分类的适用性和光学与全极化SAR数据对红树林种间分类的能力。结果表明:1)识别红树林种类的优势特征依次为多光谱的光谱波段、极化分解参数、光谱植被指数,且仅利用前8个优选特征(绿光波段反射率G、蓝光波段反射率B、Yamaguchi面散射分量Ys、近红外波...     

基于高空间分辨率的红树林卫星遥感监测技术进展

卫星遥感技术是红树林生态系统监测的重要手段。文章系统地总结了红树林的光谱特征,给出了目前应用于红树林生态监测的高空间分辨率卫星包括IRS-P6、SPOT-5、IKONOS、OrbView-3、QuickBird的主要技术参数以及它们在红树林遥感监测中的应用程度,叙述了目视解译法、波段组合法、图像分类法、专家分类法、模糊分类法和面向对象分类法等遥感监测技术方法在红树林的生态参数包括类外区分和类内区分、生物量和健康状况等的遥感提取的应用和精度对比情况。另外,对应用高分辨率卫星遥感资料监测红树林的技术发展趋势进行了讨论。     

基于深度置信网络(DBN)的赤潮高光谱遥感提取研究

赤潮是严重的海洋灾害,有效监测赤潮对于保护海洋生态环境具有重要意义。高光谱遥感具有光谱分辨率高、图谱合一等优势,适合于海洋赤潮监测。深度学习是机器学习领域的前沿,为高光谱遥感分类提供了新的思路。深度置信网络(Deep Belief Network,DBN)兼具监督分类与非监督分类的特点,通过构建DBN模型,将DBN应用于赤潮灾害遥感监测中,应用渤海机载高光谱遥感数据开展赤潮分类,以达到提取高光谱图像中赤潮水体范围的目的。通过设置对照实验,对比经典的SVM监督分类方法与ISODATA非监督分类方法,发现DBN模型在相同实验条件下具有更高的分类精度,赤潮遥感提取精度提高了3%～11%。     

融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。     

基于DeepLabv3架构的高分辨率遥感图像分类

针对目前使用机器学习解决高分辨率遥感图像分类主要存在下采样导致的细节信息丢失问题,提出了一种基于DeepLabv3架构的小波域DeepLabv3-MRF(Markov random field,MRF)算法。选择当前较为普遍的DeepLabv3架构分类算法,能够获得更为精确的分类结果;采用小波域DeepLabv3-MRF算法,还能够获得更为清晰的边缘细节信息。选取南方某地区高分辨率无人机遥感图像进行分类实验,通过小波变换的方向性、非冗余性以及MRF变换像素空间的交互性这三个方面,将分类结果与原始DeepLabv3架构分类结果对比分析。结果表明,所提出的分类方法精度明显高于原始DeepLabv3架构分类算法的精度,总体精度可提升3%左右,并且可以充分表达高分辨率遥感图像细节信息。     

高分辨率遥感影像城市道路提取方法研究

根据高分辨率遥感影像可以提取道路细节信息和中低分辨率遥感影像可以提取道路轮廓信息这一特性,提出基于多尺度的不同分辨率遥感影像道路提取方法。以原始高分辨率遥感影像为底层影像建立影像金字塔获取不同分辨率影像,利用中低分辨率遥感影像上提取的道路骨架轮廓约束高分辨率遥感影像的道路提取,并对Canny边缘检测算法进行改进。实验结果表明,该方法能够有效地消除高分辨率遥感影像城市道路路面噪声的影响,道路提取效果较好。     

基于高分辨率遥感的珊瑚礁地貌单元体系构建和分类方法—以8波段Worldview-2影像为例

珊瑚礁生态系统是全球初级生产力最高的生态系统之一, 在维持海洋生物多样性、防浪固滩、资源供给等方面发挥着巨大作用。珊瑚礁遥感地貌分类体系是珊瑚礁保护、管理及可持续发展的必要基础, 但目前还未有结合珊瑚覆盖度进行分类的体系。本文基于WorldView-2高分辨率遥感影像, 以中国南海西沙群岛七连屿北部赵述岛和西沙洲所在礁盘作为研究区, 结合珊瑚覆盖度、区域地貌成分和水动力条件等指标, 建立了既适用于遥感监测又与珊瑚生存状况相关联的珊瑚礁地貌单元分类体系。同时, 利用面向对象的支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)分类方法进行珊瑚礁地貌单元的信息提取, 并对分类结果进行精度评价。结果表明, SVM和RF两种分类方法均能较好地提取出珊瑚礁地貌单元, 分类精度分别为87.59%和79.81%。针对分类过程中出现的错分、漏分问题, 结合珊瑚礁成因和分布规律对分类结果进行修正, 修正后分类提取的精度达到91.3%, Kappa系数为0.9041, 表明本文构建的珊瑚礁地貌单元分类体系在一定程度上能满足当前珊瑚岛礁信息提取的需要。     

面向对象的围海养殖用海信息分类提取与动态监测研究

以江苏大丰高涂围海养殖区域为研究区,基于ZY-3号高分辨率卫星遥感数据,采用面向对象方法开展了围海养殖用海信息分类提取与动态监测研究。通过多尺度分割获取研究区地物斑块,根据其形状、光谱、纹理等特征信息的差异性,建立分类规则集,并结合目视解译完善提取规则,实现了围海养殖用海中淡水养殖区、海水养殖区和干涸养殖区的分类提取,得到精度达93%的分类结果。总结出养殖区分类提取通用的特征指标集。最后基于目标识别,对多年份围海养殖信息进行动态监测,更全面、高效地了解围海养殖发展趋势,为海洋遥感监测领域拓展了更广阔的应用前景。     

基于改进U-Net的海岸线提取方法

遥感影像海陆分割对于海岸线提取及其动态监测具有重要意义。传统的基于光谱特征和图像处理的海岸线识别和提取方法, 在面对高分辨率遥感图像复杂的纹理和空间分布时, 只能生成具有局限性的图像特征结果, 且分割结果准确率不高。本文将深度卷积神经网络应用于高分遥感图像的海陆分割问题, 并在经典编码器-解码器结构的基础上进行了创新。首先, 为了降低调参难度引入批归一化层, 降低了网络对参数的尺度和初始值的敏感度; 其次, 采用转置卷积代替传统卷积, 在模型训练过程中通过梯度递减算法, 不断更新参数权值, 显著提高语义分割的精度。利用研究区域高分一号遥感图像数据对于人工岸线及自然岸线的分割实验结果显示: 相较于经典U-Net与SegNet, 改进U-Net网络, 对于各种自然岸线和人工岸线具有更低的边界模糊度和更准确的分割结果, 对于自然岸线的提取结果, 漏检、错检现象较少; 对于人工岸线的提取具有更大的感受野, 能够提取岸线的空间结构信息, 避免误分类。面对日益丰富的高分辨率的遥感影像数据源, 基于改进U-Net的海岸线提取, 能更好地保留边界信息且具备更优的语义分割效果, 可以更为准确地挖掘高分遥感影像的空间分布特征、纹理特征以及光谱特征, 从而提升分类的准确性。     

Spark平台下的海表面温度并行预测算法

面对海量的海表面温度数据,如何使用大数据处理平台和新的处理技术来实时处理、分析并预测海表面温度数据,是一个亟待解决的问题。本文基于现阶段的时间序列方法和专家意见,首先,将类比合成方法引入到海表面温度预测应用中;其次,基于Spark平台提出了一种改进的快速DTW算法SparkDTW;最后,为了充分利用通过时间序列挖掘得到的信息,将SparkDTW与SVM相结合,提出了SparkDTW+SVM混合模型,为海表面温度预测的应用研究提供了较好的理论基础和技术支持。实验结果表明,SparkDTW算法预测精度优于SVM,提高了海表面温度预测效率,验证了将类比合成方法应用在海表面温度预测的可行性;SparkDTW+SVM在精度方面要优于SparkDTW和SVM,表明SVM模型能充分利用时间序列挖掘的信息,验证了SparkDTW+SVM在海表面温度预测的有效性。     

基于深度学习和形态学的海底沙波谷线提取

为了提高基于侧扫声纳图像提取海底沙波谷线这种类别不均衡线状地物的精度,提出了一种深度学习与数学形态学相结合的方法。该方法采用Dice损失函数和添加批标准化(batch normalization, BN),对U型卷积神经网络模型(U-Net)进行改进;结合数学形态学中的闭运算和骨架法,对沙波谷线轮廓进行修复并提取线性特征;进一步将改进的U-Net模型与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)、面向对象分类以及U-Net模型进行精度对比验证。结果表明：改进的U-Net模型能够解决类别不均衡的问题,实现沙波谷线的高精度提取,该方法对海底沙波的研究具有重要的科学与工程应用价值。     

基于深度学习RCF模型的三都澳筏式养殖区提取研究

三都澳是中国重要的海水养殖海湾，在水产养殖中占有较高的经济地位。快速准确地获取养殖区的分布范围、数量以及面积等信息，对养殖区规划、产值估计、生态调查、风暴潮灾害预防等具有重要的意义。然而，随着养殖区域的扩大，海水背景状态愈发复杂多样，光谱特征差异较大，为养殖区提取带来困难。在本实验中，利用高分辨率遥感卫星GF-2图像，引入深度学习RCF（Richer Convolutional Features）网络模型对海湾内的筏式养殖区进行了提取。结果显示:该方法无需事先对区域进行水陆分离处理，且对水中泥沙较多的区域以及海浪较大的区域有很好的提取效果，提取精度达93%以上，适合进行大规模海水养殖区提取应用。     

顾及轮廓信息和DRLSE模型的遥感影像瞬时水边线快速提取

针对利用传统瞬时水边线提取方法处理高分辨率遥感影像存在提取结果不连续、效率不高和无法同时提取多片水域等问题, 提出了一种顾及轮廓信息和距离正则化水平集演化(distance regularized level set evolution, DRLSE)模型的遥感影像瞬时水边线快速提取方法, 并将其应用于福建泉州附近海域瞬时水边线提取。首先,使用DRLSE模型提取地物轮廓信息, 以解决经典阈值方法水边线提取结果不连续问题; 其次, 利用DRLSE模型的初始矩形轮廓中心位置和周长信息, 对噪声点等轮廓进行自动剔除, 并提取多片水域, 以提高瞬时水边线提取后处理效率。研究结果表明:相较于泛洪算法、Canny算子和CV(Chan-Vese)模型, 应用本方法进行大陆海岸线瞬时水边线提取更高效, 且提取结果连续、精度更高。     

基于航空高光谱数据的近岸水体信息提取

近岸水体与人类生产、生活密切相关,航空高光谱遥感以其高分辨率、灵活等优点在环境监测中颇具潜力,尤其是在近岸水色、海岸带环境的实时监测中更具优势。基于与中国海监南海航空支队合作开展的航空高光谱遥感飞行实验资料,以湛江东海岛陆海区域为例,开展该海域水体遥感信息提取及分类研究。以不同地物遥感反射率信息为特征,通过光谱信息直方图进行了该海域水体信息提取方法探索。研究结果表明,湛江港及近海水体与陆地在近红外区域有较大区分度,直方图统计获得的最佳分离阈值可以很好地提取水体信息,但在水陆交界区域提取精度较低。在近红909.7 nm处,遥感反射率分割阈值为10.27%,水体提取精度为84%,kappa系数为0.686 2。     

基于遥感增强嵌套模型红树林带水沙环境对码头建设的响应研究

南海北部湾铁山港码头建设期间,邻近区域红树林带植株出现受损死亡现象。本研究构建基于遥感增强包含红树林潮间带的海湾水沙嵌套模型,评估码头建设对红树林带潮流、泥沙输移及冲淤的影响。结果表明：海湾水沙嵌套模型可充分利用南海海流模拟信息,且精细化模拟了工程建设附近海域泥沙输移规律。采用全球地表水覆盖几率遥感反演数据与当地潮位的信息融合技术,为红树林带水沙模拟提供了可靠地形信息。码头建设主要影响红树林带南部潮流,涨急时流速减小,落急时部分潮沟通道流速增大。当进港方案更改为过水钢栈桥,红树林带东南部流速略有增加。码头施工期,红树林带69%～72%范围的悬浮泥沙浓度增量介于20～50 mg/L之间。码头建设前,红树林带泥沙平均冲淤量为0.27 cm/a;进港方案分别为不过水通道和过水钢栈桥,码头建设后红树林带淤积量增加的面积占比分别为96.6%和89.3%,平均冲淤量分别为0.45 cm/a和0.36 cm/a。过水钢栈桥替换不过水通道,红树林带冲淤增量下降了50.0%。研究结论可为潮间带水沙环境模拟和红树林带保护决策提供科学依据。     

基于视觉显著性的高分辨率遥感影像舰船检测

通过研究、分析现有基于遥感影像的舰船检测算法,提出了基于Itti视觉显著度模型改进的高分辨率遥感影像海面舰船检测方法,该方法利用海面舰船相对于海面背景信息视觉关注高的特点,参考视觉显著度模型计算原理,对高分辨率遥感影像中的颜色、亮度、方向、纹理等特征进行有效提取,然后利用归一化方法将不同特征融合,形成有利于舰船目标提取得视觉显著度图,最后对生成的视觉显著度图进行阈值分割和精细化处理获得最终的舰船检测结果。与传统舰船检测算法相比,本文算法能够有效检测复杂海面背景下的舰船目标,减少了单一特征变化对检测精度的影响,提高了检测准确率,具有较好的抗噪性和较强的鲁棒性。